[发明专利]基于SVM的Adaboost模型的铸件缺陷识别方法

摘要

本发明提出了一种基于SVM的Adaboost模型的铸件缺陷识别方法，旨在提高铸件裂纹缺陷识别的精度，实现步骤为：采集有裂纹缺陷和无裂纹缺陷的图像；对图像进行线性灰度变换，对线性灰度变换后的图像进行双边滤波，对双边滤波后的图像进行自适应阈值分割；提取自适应阈值分割后图像的LBP类特征、不变矩类特征和Hog类特征，并采用PCA算法对Hog类特征进行降维；采用Relief算法对提取出来的3类特征进行筛选；构建基于SVM分类器的Adaboost模型；获取测试样本集的识别结果。本发明通过对特征进行筛选，并在训练过程中使模型更加关注易分错的样本，在保证铸件裂纹缺陷识别速度的前提下提高了识别精度。

主权项

1.一种基于SVM的Adaboost模型的铸件缺陷识别方法，其特征在于，包括如下步骤：/n(1)获取图像集：/n采集n幅有裂纹缺陷的图像和n幅无裂纹缺陷的彩色图像，并对每幅图像进行标注，然后将2n幅图像及每幅图像的标签组合成图像集S，S＝{(x₁,y₁),(x₂,y₂),...,(x_i,y_i),...,(x_2n,y_2n)}其中，n≥150，x_i表示第i幅彩色图像，y_i表示x_i的标签，y_i∈{0,1}，0表示无裂纹缺陷，1表示有裂纹缺陷；/n(2)对图像集S进行预处理：/n对图像集S中的每一幅彩色图像x_i进行线性灰度变换，得到2n幅灰度图像，并对每幅灰度图像进行双边滤波，然后对经过双边滤波的每幅图像进行自适应阈值分割，得到由2n幅经过预处理的图像和每幅图像的标签组成图像集S'，S'＝{(x'₁,y₁),(x'₂,y₂),...,(x'_i,y_i),...,(x'_2n,y_2n)}；/n(3)获取全信息特征集矩阵D：/n(3a)提取图像集S'中每一幅图像x'_i的LBP类特征、不变矩类特征和Hog类特征，并采用PCA算法对每一幅图像x'_i的Hog类特征进行降维，得到2n幅图像的特征向量g₁,g₂,...,g_i,...,g_2n；/n(3b)以每一幅图像x'_i的LBP类特征、不变矩类特征、特征向量g_i和标签y_i为行，以2n幅图像的LBP类特征、不变矩类特征、特征向量g_i和标签分别为列，形成全信息特征集矩阵D∈R^2n×(b+1)，其中，y_i位于行的末端，b表示x'_i的LBP类特征、不变矩类特征和特征向量g_i3类特征的总个数，b≥3；/n(4)获取关键特征集矩阵D'：/n采用relief算法计算全信息特征集矩阵D中每个特征相对于标签列y的重要度信息权值，并对计算结果进行降序排列，然后以前c'％的重要度信息权值所对应的特征和标签y为列进行组合，形成关键特征集矩阵D'∈R^2n×(c+1)，其中，c＝b*c'％，c≥2；/n(5)构建基于SVM分类器的模型H(x)：/n构建包含T个SVM分类器的模型H(x)，H(x)＝{h₁(x),h₂(x),...,h_t(x),...,h_T(x)}其中，h_t(x)表示第t个SVM分类器，T≥2；/n(6)对基于SVM分类器的模型H(x)进行训练：/n(6a)令t＝1，从关键特征集矩阵D'中随机选择d行数据作为训练样本集，剩下的2n-d行数据作为测试样本集，并计算训练样本集中每个训练样本的分布权值w_t,j，w_t,j＝1/d,j＝1,2,...,d其中，d≥2，w_t,j表示训练第t个SVM分类器时第j个训练样本的分布权值；/n(6b)将训练样本集作为第t个SVM分类器的输入进行训练，得到训练误差e_t，并根据训练误差e_t计算第t个分类器的权重α_t，其中：/n /n /n其中，y_j表示第j个训练样本的标签，h'_t(x_j)表示第t个训练完的分类器对y_j的预测值；/n(6c)判断t＝T是否成立，若是，得到T个训练好的分类器h'₁(x),h'₂(x),...,h'_t(x),...,h'_T(x)和T个训练好的的权重α'₁(x),α'₂(x),...,α'_t(x),...,α'_T(x)，并将T个训练好的分类器和T个训练好的权重进行组合，得到基于SVM的Adaboost模型H(x)，否则，执行步骤(6d)，其中：/n /n(6d)令t＝t+1，计算训练样本集中的每一个的分布权值w_t,j，并执行步骤(6b)，其中：/n /n其中，B_t-1表示归一化因子，/n(7)获取测试样本集的识别结果：/n通过基于SVM的Adaboost模型H(x)对测试样本集中的每一个测试样本进行识别，得到2n-d个识别结果u₁,u₂,...,u_i,...,u_2n-d，u_i∈{0,1}，0表示无裂纹缺陷，1表示有裂纹缺陷。/n